Segmentação e identificação de cultivo e espécies invasivas em imagens aéreas utilizando redes neurais convolucionais

Detalhes bibliográficos
Autor(a) principal: Monteiro, Alexandre Alvarenga de Oliveira
Data de Publicação: 2019
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFSC
Texto Completo: https://repositorio.ufsc.br/handle/123456789/215694
Resumo: Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2019.
id UFSC_1ddd4af19754af034145f895602a9ed0
oai_identifier_str oai:repositorio.ufsc.br:123456789/215694
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str 2373
spelling Universidade Federal de Santa CatarinaMonteiro, Alexandre Alvarenga de OliveiraStemmer, Marcelo RicardoWangenheim, Aldo v.2020-10-21T21:19:31Z2020-10-21T21:19:31Z2019368671https://repositorio.ufsc.br/handle/123456789/215694Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2019.É notório o aumento do uso de Redes Neurais Convolucionais em diversas aplicações. Estas Redes vêm sendo usadas em larga escala para identificação, classificação e segmentação de objetos em imagens, o que é aplicado em áreas como agricultura, carros autônomos, em sistemas de vigilância, entre outros. Neste trabalho, nove modelos estado-da-arte de Redes Neurais Convolucionais são aplicados na tarefa de segmentação semântica dos pixels de uma imagem RGB (canais de entrada pertencentes ao espectro de luz visível) aérea de um talhão de uma cultura agrícola de cana-de-açúcar captada por um Veículo Aéreo Não Tripulado (VANT). A principal investigação feita no trabalho é verificar se tais imagens proveêm informações suficientes para as Redes Neurais segmentarem de forma satisfatória, bem como qual dos modelos treinados gera os melhores resultados. Os pixels das imagens são classificados entre as classes: planta, solo, espécie invasiva e fundo. Os resultados são apresentados e comparados quantitativamente e qualitativamente. Os mapas de segmentação gerados nas saídas dos modelos, em que as classes são explicitamente separadas podem ser utilizados posteriormente em aplicações práticas de Agriultura de Precisão, como monitoramento local de plantas invasoras, se tornando peça chave na melhoria da produção agrícola. Apesar da dificuldade de se criar um conjunto de dados robusto e realizar o \textit{ground truth} das imagens, mostra-se que a técnica gera bons resultados, atingindo valores de \textit{F1-Score} de 96\% e \textit{mean} IoU de 82\%. Estes resultados são melhores do que os resultados relatados anteriormente na literatura, mesmo aqueles que usam espaços de cores especiais e faixas de espectro de luz aprimoradas.<br>Abstract: Increased use of Convolutional Neural Networks in several applications is noticeable. These networks have been used in large scale for identification, classification and segmentation of objects in images, which is applied in areas such as agriculture, autonomous cars, surveillance systems, among others. In this work, nine state-of-the-art models of Convolutional Neural Networks are applied in the task of semantic segmentation of the pixels of an aerial RBG (visible light input channels) image of a field of an agricultural sugarcane crop captured by an Unmanned Aerial Vehicle. The main investigation made in the work is to verify if those images give enough information for the Neural Networks to segment satisfactorily, as well, which model provides the best performance. The pixels of the images are classified among the classes: plant, soil, invasive species and background. The results are presented and compared quantitatively and qualitatively. The segmentation maps generated in the outputs of the models, where the classes are explicitly separated, can be used later in practical applications of Precision Agriculture, such as local monitoring of invasive plants, becoming a key factor in the improvement of agricultural production. Despite the difficulty of creating a robust data set and elaborating the ground truth of the images, it is shown that the technique generates good results, achieving 96\% F1-Score values and 82\% mean IoU values. These results are better than results previously reported in the literature, even those using special color-spaces and enhanced light spectrum ranges.139 p.| il.porEngenharia de sistemasAutomaçãoProcessamento de imagensRedes neurais (Computação)Segmentação e identificação de cultivo e espécies invasivas em imagens aéreas utilizando redes neurais convolucionaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessORIGINALPEAS0333-D.pdfPEAS0333-D.pdfapplication/pdf8120570https://repositorio.ufsc.br/bitstream/123456789/215694/-1/PEAS0333-D.pdfafbb9d572b5f5962de22ec3162eb1158MD5-1123456789/2156942020-10-21 18:19:31.888oai:repositorio.ufsc.br:123456789/215694Repositório de PublicaçõesPUBhttp://150.162.242.35/oai/requestopendoar:23732020-10-21T21:19:31Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Segmentação e identificação de cultivo e espécies invasivas em imagens aéreas utilizando redes neurais convolucionais
title Segmentação e identificação de cultivo e espécies invasivas em imagens aéreas utilizando redes neurais convolucionais
spellingShingle Segmentação e identificação de cultivo e espécies invasivas em imagens aéreas utilizando redes neurais convolucionais
Monteiro, Alexandre Alvarenga de Oliveira
Engenharia de sistemas
Automação
Processamento de imagens
Redes neurais (Computação)
title_short Segmentação e identificação de cultivo e espécies invasivas em imagens aéreas utilizando redes neurais convolucionais
title_full Segmentação e identificação de cultivo e espécies invasivas em imagens aéreas utilizando redes neurais convolucionais
title_fullStr Segmentação e identificação de cultivo e espécies invasivas em imagens aéreas utilizando redes neurais convolucionais
title_full_unstemmed Segmentação e identificação de cultivo e espécies invasivas em imagens aéreas utilizando redes neurais convolucionais
title_sort Segmentação e identificação de cultivo e espécies invasivas em imagens aéreas utilizando redes neurais convolucionais
author Monteiro, Alexandre Alvarenga de Oliveira
author_facet Monteiro, Alexandre Alvarenga de Oliveira
author_role author
dc.contributor.none.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Monteiro, Alexandre Alvarenga de Oliveira
dc.contributor.advisor1.fl_str_mv Stemmer, Marcelo Ricardo
dc.contributor.advisor-co1.fl_str_mv Wangenheim, Aldo v.
contributor_str_mv Stemmer, Marcelo Ricardo
Wangenheim, Aldo v.
dc.subject.classification.none.fl_str_mv Engenharia de sistemas
Automação
Processamento de imagens
Redes neurais (Computação)
topic Engenharia de sistemas
Automação
Processamento de imagens
Redes neurais (Computação)
description Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia de Automação e Sistemas, Florianópolis, 2019.
publishDate 2019
dc.date.issued.fl_str_mv 2019
dc.date.accessioned.fl_str_mv 2020-10-21T21:19:31Z
dc.date.available.fl_str_mv 2020-10-21T21:19:31Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/215694
dc.identifier.other.none.fl_str_mv 368671
identifier_str_mv 368671
url https://repositorio.ufsc.br/handle/123456789/215694
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 139 p.| il.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/215694/-1/PEAS0333-D.pdf
bitstream.checksum.fl_str_mv afbb9d572b5f5962de22ec3162eb1158
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv
_version_ 1766805460405452800

Registros relacionados